CN115469260B - 一种基于Hausdorff的电流互感器异常识别方法、*** - Google Patents
一种基于Hausdorff的电流互感器异常识别方法、*** Download PDFInfo
- Publication number
- CN115469260B CN115469260B CN202211203322.7A CN202211203322A CN115469260B CN 115469260 B CN115469260 B CN 115469260B CN 202211203322 A CN202211203322 A CN 202211203322A CN 115469260 B CN115469260 B CN 115469260B
- Authority
- CN
- China
- Prior art keywords
- current
- line
- phase
- hausdorff
- constructing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000000819 phase cycle Methods 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 12
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 12
- 239000010931 gold Substances 0.000 claims description 12
- 229910052737 gold Inorganic materials 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于Hausdorff的电流互感器异常识别方法，其方法包括：获取电流互感器的运行电流数据，对其进行多阶差分并筛选出平稳电流数据；基于所述平稳电流数据，构建线路的三相不对称电流分量以及计算每条线路的评估统计量及其变化量；根据线路的三相不对称电流分量的不平衡度的Hausdorff距离、评估统计量的变化量和基尔霍夫电流定律，通过不同的SVM算法构建线路异常识别模型和相序诊断模型；利用线路异常识别模型和相序诊断模型，对电流互感器进行异常识别。本发明结合了Hausdorff距离和PCA提取电流特征，并通过多个SVM模型对电流互感器的异常进行识别，实现了电流互感器的计量误差状态在线监测。
Description
技术领域
本发明属于电力设备测量技术领域，具体涉及一种基于Hausdorff的电流互感器异常识别方法、***。
背景技术
电流互感器（Current transformers）是电力***中的重要测量设备。其一次绕组串联在输变电主回路内，二次绕组则根据不同要求，分别接入测量仪表、继电保护或自动装置等设备，用于将一次回路的大电流变化为二次侧小电流，供测控保护计量设备安全采集。其准确可靠对于电力***的安全运行、控制保护、电能计量、贸易结算具有重大意义。
区别于电压互感器，电流互感器因：1、电流互感器群体内物理关系相对复杂，物理约束条件隐蔽，而电压互感器群体物理关系突显。变电站内同一节点同相的电压互感器测量值应保持一致，可以群体间相互比较测量值进行判断，而线路电流相互独立，不能相互比较测量值来实现。2、稳态变电站内电压幅值为110％-120％的额定电压变化，电压波动较小，不同变电站内电压整体数据特征保持一致，电压信息特征突显且具有普适性，易于实现基于电压信号的信息物理融合。而不同变电站内线路电流变化相互独立，幅值从0％-120％额定电流变化，波动极大，而线路电流具有信息特征隐蔽，因此电流互感器的计量误差状态在线监测难以实现。
发明内容
为解决电流互感器的计量误差状态在线监测难的问题，在本发明的第一方面提供了一种基于Hausdorff的电流互感器异常识别方法，包括：获取电流互感器的运行电流数据，对其进行多阶差分并筛选出平稳电流数据；基于所述平稳电流数据，构建一条或多条线路的三相不对称电流分量；根据所述三相不对称电流分量，计算同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离；基于所述平稳电流数据，构建线路电流的特征参量，并利用主成分分析法构建计算模型；根据所述计算模型计算每条线路的评估统计量及其变化量；根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，利用第一SVM算法构建线路异常识别模型；基于基尔霍夫电流定律和异常线路的Hausdorff距离，利用第二SVM算法构建相序诊断模型；利用线路异常识别模型和相序诊断模型，对待评估线路的一个或多个电流互感器进行异常识别。
在本发明的一些实施例中，所述根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，利用第一SVM算法构建线路异常识别模型包括：根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，构建特征向量；确定第一SVM算法的目标函数、核函数，并根据其构建线路异常识别模型；所述目标函数表示为：
，
其中，为权重，y j ∈{+1,-1}表示线路j为正常、异常的类别标签，v j 为线路j的特
征向量；为阈值；C表示惩罚系数，表示松弛因子；所述核函数表示为：，为高斯径向基核函数。
进一步的，采用金鹰优化算法对第一SVM模型中的C、g参数进行寻优。
在本发明的一些实施例中，所述基尔霍夫电流定律和异常线路的Hausdorff距离，利用第二SVM算法构建相序诊断模型包括：基于基尔霍夫电流定律，计算异常线路的三相电流与同一节点上其余线路的三相电流的Hausdorff距离；计算异常线路中的每相电流对评估统计量的贡献率变化量；基于贡献率变化量及Hausdorff距离，采用第二SVM构建相序识别模型。
进一步的，所述贡献率通过如下方式计算：
，
其中，为t时刻下贡献率数组cont(t)的第个元素，其也是第台电流
互感器对统计量Q(t)的贡献率；表示为t时刻第相互感器标准化后的实时数据；为在主元空间的投影。
在上述的实施例中，所述根据所述三相不对称电流分量，计算同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离包括：基于三相不对称电流分量，计算每条线路的零序不平衡度和负序不平衡度；对于同一母线上的线路，计算同一周期内，每条线路与其他线路的零序不平衡、负序不平衡特征参量间的Hausdorff距离。
本发明的第二方面，提供了一种基于Hausdorff的电流互感器异常识别***，包括：获取模块，用于获取电流互感器的运行电流数据，对其进行多阶差分并筛选出平稳电流数据；基于所述平稳电流数据，构建一条或多条线路的三相不对称电流分量；根据所述三相不对称电流分量，计算同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离；计算模块，用于基于所述平稳电流数据，构建线路电流的特征参量，并利用主成分分析法构建计算模型；根据所述计算模型计算每条线路的评估统计量及其变化量；第一构建模块，用于根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，利用第一SVM算法构建线路异常识别模型；第二构建模块，用于基于基尔霍夫电流定律和异常线路的Hausdorff距离，利用第二SVM算法构建相序诊断模型；识别模块，用于利用线路异常识别模型和相序诊断模型，对待评估线路的一个或多个电流互感器进行异常识别。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面提供的基于Hausdorff的电流互感器异常识别方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明在第一方面提供的基于Hausdorff的电流互感器异常识别方法。
本发明的有益效果是：
本发明提出了一种基于Hausdorff的电流互感器异常识别方法，依据电流互感器量程以及电流波动筛选稳定段数据;依据预处理后的稳定三相电流数据，分别采用Hausdorff距离算法、Q统计量算法计算出距离线路的Hausdorff距离距离比值及Q统计量变化量ΔQ；然后采用改进的SVM算法构建线路异常识别模型；基于异常线路模型，采用Hausdorff距离算法及贡献率指标变化量Δcont i (t)构建了异常相序的识别模型，从而实现从波动性大、特征隐蔽的线路电流数据中对异常互感器的在线识别。
附图说明
图1为本发明的一些实施例中的基于Hausdorff的电流互感器异常识别方法的基本流程示意图；
图2为本发明的一些实施例中的基于Hausdorff的电流互感器异常识别方法的具体流程示意图；
图3为本发明的一些实施例中的基于Hausdorff的电流互感器异常识别***的结构示意图；
图4为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1，在本发明的第一方面，提供了一种基于Hausdorff的电流互感器异常识别方法，包括：S100.获取电流互感器的运行电流数据，对其进行多阶差分并筛选出平稳电流数据；基于所述平稳电流数据，构建一条或多条线路的三相不对称电流分量；根据所述三相不对称电流分量，计算同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离；S200.基于所述平稳电流数据，构建线路电流的特征参量，并利用主成分分析法构建计算模型；根据所述计算模型计算每条线路的评估统计量及其变化量；S300.根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，利用第一SVM算法构建线路异常识别模型；S400.基于基尔霍夫电流定律和异常线路的Hausdorff距离，利用第二SVM算法构建相序诊断模型；S500.利用线路异常识别模型和相序诊断模型，对待评估线路的一个或多个电流互感器进行异常识别。
在本发明的一些实施例的步骤S100中，获取电流互感器的运行电流数据，对其进行多阶差分并筛选出平稳电流数据；具体地，采集电流互感器运行电流数据，采用一阶差分、二阶差分进行电流数据的预处理，筛选平稳电流数据；
对于电流互感器，当线路电流相较额定电流较低时，电流互感器本身误差较大，数据质量较低，因此筛取额定量程80%~120%的电流数据。同时，电网中电流波动较大，电流数据中将会存在较多的数据断点，因此对采集到的电流幅值数据依据公式（1）和公式（2）进行一阶、二阶差分处理，筛去电流数据断点。
一阶差分：； （1），
二阶差分:； （2），
其中，x(Ω)为电流幅值数据，Δ1 x(Ω)、Δ2 x(Ω)电流幅值数据一阶、二阶差分值，
Ω为数据点。当、时，判断一阶、二阶数据平稳，其中、
为设定的阈值。
可以理解，基于一阶、二阶差分结果，筛选出平稳的电流数据。基于所述平稳电流
数据，构建一条或多条线路的三相不对称电流分量；根据所述三相不对称电流分量，计算同
一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离；具体
地，基于筛选的电流数据，构建线路的零序电流分量、负序电流分量，分别采用Hausdorff距
离计算各线路间比值、；电网内电流数据波动大，其内暂态过程频发，幅值波动大，无
固定规律，难以依据幅值相位特征实现运行误差监测模型构建。但是其负序不平衡度及零
序不平衡度均为相对较为稳定，存在一定规律，因此可以依据负序不平衡、零序不平衡作为
特征量实现模型构建。
具体地，依据预筛选后的三相电流建模数据，依据公式（3）将不对称的三相电流相量分解为对称的正序负序以及零序电流分量。
（3）,
其中，I a 是选取a相作为基准相，即为三相电流，为
相应的a相正序、负序、零序分量。式中，运算子,。并且：
则：。
接着，提取特征参量：零序不平衡和负序不平衡；
零序不平衡：
（4），
负序不平衡：
（5），
基于公式（4）与公式（5）得到线路的零序不平衡度、负序不平衡度。
2）Hausdorff距离算法原理
Hausdorff距离是描述2点集之间相似程度的一种度量。假设存在2组点集：
；Z={z1，z2，z3，…，zq} (6)；
则U、Z之间的Hausdorff距离为：
H(U,Z)=max(h(U,Z),h(Z,U)) （7），
其中，。
3）对于同一母线上的线路，计算同一周期内，各线路零序不平衡、负序不平衡特征参量间的Hausdorff距离。
①以零序不平衡度为例，计算各线路零序不平衡间的Hausdorff距离：
（8），
式（8）中，n代表同一母线上的线路数，H n1 为第n条线路与第1条线路零序不平衡度的Hausdorff距离。
基于矩阵H，计算第j列Hausdorff距离比值：计算比值: （9），
式（9）中，r j 为第j列的比值，H maxj =max{H 1j ,H 2j …H nj }，m=1，2，…,n；j=1，2，…，n，n为线路数；j≠n，r j 为第j列的比值。
②基于步骤①计算出各列线路零序不平衡度、负序不平衡度间的Hausdorff距离
的比值、。
在本发明的一些实施例的步骤S200中，基于所述平稳电流数据，构建线路电流的
特征参量，并利用主成分分析法构建计算模型；根据所述计算模型计算每条线路的评估统
计量及其变化量；具体地，基于筛选稳定电流数据，以线路电流作为特征参量，采用PCA构建
计算模型，计算正常模态下的评估标准量及线路实时统计量Q(t)，计算各线路统计量
的变化量ΔQ(t)；更详细的步骤如下:
以80%~120%额定幅值下的电流数据为特征参量，采用PCA构建正常模态下的评估
计算模型，计算评估统计量。
1）以正常模态下的电流数据，构建正常模态下的样本集
（10），
其中N为采样点数。A、B、C表示三个相位，x表示样本中的采样电流数据。
2）标准化处理
为了避免因为变量量纲的不同所带来的影响，首先需要对得到数据样本进行
标准化处理，标准化后的数据矩阵为：
（11），
其中N为采样点数，M为互感器数量。， ，其中是矩阵Y0第M列向量的均值， ，其中是矩阵Y0第M列向量的方差。
3）基于的协方差R进行奇异值分解，确定残差子空间的载荷矩阵p e 。根据正常模
态下的建模数据集及对应的残差子空间的载荷矩阵p e 采用基于核密度估计的方法计算
置信度下的评估标准量；根据实时数据集及对应的残差子空间的载荷矩阵p e 计算实
时统计量Q(t)。
（12），
式中，左侧R为协方差矩阵，右侧为奇异值分解，为协方
差矩阵的特征值，并且排列顺序满足，[p m p e ]表示特征向量矩阵；此时
得出的特征向量矩阵[p m p e ]为载荷矩阵P。通过累计方差贡献率构成主成分的载荷矩阵p m ，
其余构成残差的载荷矩阵。
4）Q统计量的具体表现形式如下：
（13），
基于式（11）和式（12）计算出线路的评估统计量。采集线路实时运行数据，基于
上述模型，计算出各线路实时统计量Q(t)。
5）基于评估统计量与实时统计量Q(t)，计算出各线路的统计量变化量ΔQ(t)。
在本发明的一些实施例的步骤S300中，所述每条线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，利用第一SVM算法构建线路异常识别模型包括：S301.根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量ΔQ(t)，构建特征向量；
基于、、ΔQ(t)构建特征向量，采用SVM算法构建识别模型。以、、ΔQ
(t)构建t时刻的特征向量v：
（14）；
式（14）中，表示第j条线路与其他线路的零序不平衡Hausdorff距离比值，
表示第j条线路与其他线路的负序不平衡度Hausdorff距离比值，ΔQ(t)为第j条线路的统
计量的变化量；j=1,2,…,n，n为线路数量。
基于样本的特征参量，采用SVM模型寻求一个能将不同类别样本完全分开的最优超平面。考虑到数据中的离群点会严重影响SVM的分类性能，为使模型更加稳健，引入软间隔和惩罚项，改进后的SVM目标函数如下：
（15），
其中，为权重，y j ∈{+1,-1}表示线路j为正常、异常的类别标签，v j 为线路j的特
征向量；为阈值；C表示惩罚系数，表示松弛因子；SVM另一个重要部分为核函数及其核
函数参数，核函数能够帮助SVM处理其不能解决的非线性问题。核映射情况下的SVM的分类
函数为：
（16），
其中，为Lagrange乘子，为高斯径向基核函数，。SVM模型构建的关键是解决核参数g和惩罚系数C的
最优取值问题。所以本公开引入金鹰优化算法对SVM模型参数进行优化，提高模型性能。具
体步骤如下：
1）攻击行为
金鹰的攻击矢量为：
（17），
式中，为第只金鹰的攻击向量，为当前金鹰所到达的最佳捕猎地点（猎
物），为第只金鹰当前的位置。
2）巡航行为
超平面在三维空间的标量形式为：
（18），
式中，为法向量，为变量向量。这里表示金鹰的位置，定义s 1为SVM模型中的惩罚因子C，s 2为SVM模型中的核参数g。
查找固定变量的值：
（19），
式中，c k 为目标点的第k个元素，为攻击向量的第个元素，a k 为攻击向量的第k个向量。依此可以找到飞行超平面上的随机目标点。目标点的一般表示为：
（20），
式中，random∈[0,1]，随机数更新使得金鹰可以向随机目标点探索。
3）向新位置移动
金鹰的位移由攻击向量和目标位置组成，迭代步长向量为：
（21），
式中，p a 为攻击系数，p c 为巡航系数，、为[0,1]内的随机向量。
基于此可求出金鹰的下一位置：
（22），
为第只金鹰的第t+1次的位置，为第只金鹰第t次的位置，为第只金鹰第t次移动步长大小。则，攻击系数p a 和巡航系数p c 的更新公式为：
（23），
其中，t表示当前迭代次数，T表示最大迭代次数。、分别为p a 的初始和最终
值，、分别为p c 的初始和最终的值。为防止优化算法陷入局部最优，对金鹰位置更新
算法进行了优化：
（24），
为[0,1]内的随机向量,rand是[0,1]上服从均匀分布的随机因子，为固定参
数。比较两种策略的适应度值，选择适应度较优策略作为金鹰位置更新策略。
在本发明的一些实施例的步骤S400中，所述基尔霍夫电流定律和异常线路的Hausdorff距离，利用第二SVM算法构建相序诊断模型包括：基于基尔霍夫电流定律，计算异常线路的三相电流与同一节点上其余线路的三相电流的Hausdorff距离；计算异常线路中的每相电流对评估统计量的贡献率变化量；基于贡献率变化量及Hausdorff距离，采用第二SVM构建相序识别模型。
具体地，基于基尔霍夫电流定律，分别计算异常线路A、B、C三相与同一节点上其余线路A、B、C三相的Hausdorff距离H ψ ；定义线路L 1 、L 2 …L l 分别为与母线相连各支路的输电线路，由基尔霍夫定理可知，线路的A、B、C三相均满足基尔霍夫定理：
（25），
其中表示线路L 1 的A相一次电流采样值序列。基于上述线路定位结果，选定异
常线路L y ，记L y 线路A相一次电流向量为。将剩余线路的一次电流的相量和记为，则
（26），
即与幅值相等，相位差为，则基于Hausdorff距离算法：
（27），
其中，、分别表示对与电流采样序列进行标幺化的电流数据。
实际运行过程中，考虑到互感器运行误差的影响，通过电流互感器二次侧数据进行计算：
（28），
其中，为选定的异常线路L y 的A相采集二次电流数据标幺化的电流数据，
为线路L y 的额定变比；为同一母线其余线路通过二次侧电流及额定变比计算出的电流
相量和标幺化后的电流数据。计算一段运行时间内异常线路A、B、C三相（一相或多相）与其
余线路同相电流数据的距离。
（29），
进一步的，所述贡献率通过如下方式计算：
，(30)
其中，为t时刻下贡献率数组cont(t)的第个元素，其也是第台电流
互感器对统计量Q(t)的贡献率；表示为t时刻第相互感器标准化后的实时数据；为在主元空间的投影。
在上述的实施例中，所述根据所述三相不对称电流分量，计算同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离包括：基于三相不对称电流分量，计算每条线路的零序不平衡度和负序不平衡度；对于同一母线上的线路，计算同一周期内，每条线路与其他线路的零序不平衡、负序不平衡特征参量间的Hausdorff距离。
参考图2，在本发明的一个实施例中，上述基于Hausdorff的电流互感器异常识别方法包括：步骤A：采集电流互感器运行电流数据，采用一阶差分、二阶差分进行电流数据的预处理，筛选平稳电流数据；
步骤A：基于筛选的电流数据，构建线路的零序电流分量、负序电流分量，分别采用
Hausdorff距离计算各线路间比值、；
步骤B：基于筛选稳定电流数据，以线路电流作为特征参量，采用PCA构建计算模型，计算正常模态下的评估标准量Q α 及线路实时统计量Q(t)，计算各线路统计量的变化量ΔQ(t)；
步骤C：基于步骤B、C计算出各线路的、、ΔQ(t)，采用改进GEO-SVM学习算法
构建线路异常识别模型。
步骤D：基于基尔霍夫电流定律，分别计算异常线路A、B、C三相与同一节点上其余
线路A、B、C三相的Hausdorff距离；
步骤E：计算异常线路中A、B、C三相对统计量的贡献率的变化量；
步骤F：基于贡献率变化量及Hausdorff距离H i ，采用SVM构建相序识别
模型，定位异常线路中异常互感器所在的相序号；
步骤G：将待评估线路输入上述模型中，实现互感器异常识别。
实施例2
参考图3，本发明的第二方面，提供了一种基于Hausdorff的电流互感器异常识别***1，包括：获取模块11，用于获取电流互感器的运行电流数据，对其进行多阶差分并筛选出平稳电流数据；基于所述平稳电流数据，构建一条或多条线路的三相不对称电流分量；根据所述三相不对称电流分量，计算同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离；计算模块12，用于基于所述平稳电流数据，构建线路电流的特征参量，并利用主成分分析法构建计算模型；根据所述计算模型计算每条线路的评估统计量及其变化量；第一构建模块13，用于根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，利用第一SVM算法构建线路异常识别模型；第二构建模块14，用于基于基尔霍夫电流定律和异常线路的Hausdorff距离，利用第二SVM算法构建相序诊断模型；识别模块15，用于利用线路异常识别模型和相序诊断模型，对待评估线路的一个或多个电流互感器进行异常识别。
进一步的，所述第二构建模块14包括：第一计算单元，用于基于基尔霍夫电流定律，计算异常线路的三相电流与同一节点上其余线路的三相电流的Hausdorff距离；第二计算单元，用于计算异常线路中的每相电流对评估统计量的贡献率变化量；构建单元，基于贡献率变化量及Hausdorff距离，采用第二SVM构建相序识别模型。
实施例3
参考图4，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面的方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。需要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于Hausdorff的电流互感器异常识别方法，其特征在于，包括：
获取电流互感器的运行电流数据，对其进行多阶差分并筛选出平稳电流数据；基于所述平稳电流数据，构建一条或多条线路的三相不对称电流分量；根据所述三相不对称电流分量，计算同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离；
基于所述平稳电流数据，构建线路电流的特征参量，并利用主成分分析法构建计算模型；根据所述计算模型计算每条线路的评估统计量及其变化量；
根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，利用第一SVM算法构建线路异常识别模型；
基于基尔霍夫电流定律和异常线路的Hausdorff距离，利用第二SVM算法构建相序诊断模型；
利用线路异常识别模型和相序诊断模型，对待评估线路的一个或多个电流互感器进行异常识别。
2.根据权利要求1所述的基于Hausdorff的电流互感器异常识别方法，其特征在于，所述根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，利用第一SVM算法构建线路异常识别模型包括：
根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，构建特征向量；
确定第一SVM算法的目标函数、核函数，并根据其构建线路异常识别模型；所述目标函数表示为：
，
其中，为权重，表示线路j为正常、异常的类别标签，v j 为线路j的特征向
量；为阈值；C表示惩罚系数，表示松弛因子；所述核函数表示为：，为高斯径向基核函数。
3.根据权利要求2所述的基于Hausdorff的电流互感器异常识别方法，其特征在于，还包括：采用金鹰优化算法对第一SVM模型中的C、g参数进行寻优。
4.根据权利要求1所述的基于Hausdorff的电流互感器异常识别方法，其特征在于，所述基尔霍夫电流定律和异常线路的Hausdorff距离，利用第二SVM算法构建相序诊断模型包括：
基于基尔霍夫电流定律，计算异常线路的三相电流与同一节点上其余线路的三相电流的Hausdorff距离；
计算异常线路中的每相电流对评估统计量的贡献率变化量；
基于贡献率变化量及Hausdorff距离，采用第二SVM构建相序识别模型。
5.根据权利要求4所述的基于Hausdorff的电流互感器异常识别方法，其特征在于，
所述贡献率通过如下方式计算：
，
其中，为t时刻下贡献率数组cont(t)的第个元素，其也是第台电流互感
器对统计量Q(t)的贡献率；表示为t时刻第相互感器标准化后的实时数据；
为在主元空间的投影。
6.根据权利要求1至5任一项所述的基于Hausdorff的电流互感器异常识别方法，其特征在于，所述根据所述三相不对称电流分量，计算同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离包括：
基于三相不对称电流分量，计算每条线路的零序不平衡度和负序不平衡度；
对于同一母线上的线路，计算同一周期内，每条线路与其他线路的零序不平衡、负序不平衡特征参量间的Hausdorff距离。
7.一种基于Hausdorff的电流互感器异常识别***，其特征在于，包括：
获取模块，用于获取电流互感器的运行电流数据，对其进行多阶差分并筛选出平稳电流数据；基于所述平稳电流数据，构建一条或多条线路的三相不对称电流分量；根据所述三相不对称电流分量，计算同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离；
计算模块，用于基于所述平稳电流数据，构建线路电流的特征参量，并利用主成分分析法构建计算模型；根据所述计算模型计算每条线路的评估统计量及其变化量；
第一构建模块，用于根据同一母线下每条线路与其他线路的三相不对称电流分量的不平衡度的Hausdorff距离以及评估统计量的变化量，利用第一SVM算法构建线路异常识别模型；
第二构建模块，用于基于基尔霍夫电流定律和异常线路的Hausdorff距离，利用第二SVM算法构建相序诊断模型；
识别模块，用于利用线路异常识别模型和相序诊断模型，对待评估线路的一个或多个电流互感器进行异常识别。
8.根据权利要求7所述的基于Hausdorff的电流互感器异常识别***，其特征在于，所述第二构建模块包括：
第一计算单元，用于基于基尔霍夫电流定律，计算异常线路的三相电流与同一节点上其余线路的三相电流的Hausdorff距离；
第二计算单元，用于计算异常线路中的每相电流对评估统计量的贡献率变化量；
构建单元，基于贡献率变化量及Hausdorff距离，采用第二SVM构建相序识别模型。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6任一项所述的基于Hausdorff的电流互感器异常识别方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于Hausdorff的电流互感器异常识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211203322.7A CN115469260B (zh) | 2022-09-29 | 2022-09-29 | 一种基于Hausdorff的电流互感器异常识别方法、*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211203322.7A CN115469260B (zh) | 2022-09-29 | 2022-09-29 | 一种基于Hausdorff的电流互感器异常识别方法、*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115469260A CN115469260A (zh) | 2022-12-13 |
| CN115469260B true CN115469260B (zh) | 2024-05-17 |
Family
ID=84334136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211203322.7A Active CN115469260B (zh) | 2022-09-29 | 2022-09-29 | 一种基于Hausdorff的电流互感器异常识别方法、*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115469260B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116643228A (zh) * | 2023-07-27 | 2023-08-25 | 威胜集团有限公司 | 一种电压互感器初始误差估算方法 |
| CN117330816B (zh) * | 2023-12-01 | 2024-01-26 | 南京中旭电子科技有限公司 | 一种用于霍尔电流传感器的监测数据优化方法 |
| CN117972460A (zh) * | 2024-03-28 | 2024-05-03 | 国网福建省电力有限公司 | 一种高压电流互感器运行故障判别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014063570A1 (zh) * | 2012-10-24 | 2014-05-01 | 国家电网公司 | 一种电子式电流互感器的渐变性故障在线诊断方法 |
| CN108572303A (zh) * | 2018-04-25 | 2018-09-25 | 西南交通大学 | 一种基于随机矩阵和Hausdorff距离的配电网故障选线方法 |
| CN112083286A (zh) * | 2020-09-07 | 2020-12-15 | 昆明理工大学 | 一种基于零序电流波形相似度的风电场集电线路单相接地故障选线方法 |
| WO2021108537A1 (en) * | 2019-11-27 | 2021-06-03 | Sentient Technology Holdings, LLC | Systems and methods for power line fault detection |
| CN115018139A (zh) * | 2022-05-25 | 2022-09-06 | 国网湖南省电力有限公司 | 基于相间特征的电流互感器误差状态在线辨识方法及*** |
-
2022
- 2022-09-29 CN CN202211203322.7A patent/CN115469260B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014063570A1 (zh) * | 2012-10-24 | 2014-05-01 | 国家电网公司 | 一种电子式电流互感器的渐变性故障在线诊断方法 |
| CN108572303A (zh) * | 2018-04-25 | 2018-09-25 | 西南交通大学 | 一种基于随机矩阵和Hausdorff距离的配电网故障选线方法 |
| WO2021108537A1 (en) * | 2019-11-27 | 2021-06-03 | Sentient Technology Holdings, LLC | Systems and methods for power line fault detection |
| CN112083286A (zh) * | 2020-09-07 | 2020-12-15 | 昆明理工大学 | 一种基于零序电流波形相似度的风电场集电线路单相接地故障选线方法 |
| CN115018139A (zh) * | 2022-05-25 | 2022-09-06 | 国网湖南省电力有限公司 | 基于相间特征的电流互感器误差状态在线辨识方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 基于Hausdorff距离的主动配电网纵联保护方案;陈星宇;;自动化技术与应用;20200325(第03期);全文 * |
| 基于幅值特征和Hausdorff距离的配电网故障定位方法;李振兴;王朋飞;王新;翁汉琍;龚旸;;电力***自动化;20200410(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115469260A (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115469260B (zh) | 一种基于Hausdorff的电流互感器异常识别方法、*** | |
| CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
| CN103389472B (zh) | 一种基于nd-ar模型的锂离子电池循环寿命的预测方法 | |
| CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
| CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
| CN115469259B (zh) | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 | |
| CN115508770B (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
| Liu et al. | Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance | |
| CN111460374A (zh) | 一种考虑节点差异性的配电网d-pmu优化配置方法 | |
| Guo et al. | A hybrid prognosis scheme for rolling bearings based on a novel health indicator and nonlinear Wiener process | |
| CN115392141B (zh) | 一种自适应的电流互感器误差评估方法 | |
| CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
| CN116227538B (zh) | 基于聚类和深度学习的小电流接地故障选线方法及设备 | |
| CN113743651A (zh) | 基于机器学习和svm算法的电子式电压互感器误差状态预测方法 | |
| CN114757305A (zh) | 一种基于集成学习的电压互感器绝缘故障辨识方法及*** | |
| CN115480203A (zh) | 一种电流互感器误差状态在线定量评估方法及*** | |
| Tang et al. | Prediction about the vessel’s heave motion under different sea states based on hybrid PSO_ARMA model | |
| CN115144807B (zh) | 差分滤噪和载流分级的电流互感器在线评估方法、装置 | |
| CN115616470B (zh) | 电流互感器计量误差状态预测方法、***、设备及介质 | |
| Jiang et al. | Two‐level area‐load modelling for OPF of power system using reinforcement learning | |
| CN114897032B (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
| CN115878963A (zh) | 电容式电压互感器计量误差预测方法、***、终端及介质 | |
| CN115267641A (zh) | 同塔双回输电线路中电流互感器误差异常识别方法、*** | |
| Yu et al. | Knowledge reasoning of transmission line component detection using CRITIC and TOPSIS approaches | |
| Brosinsky et al. | Machine learning and digital twins: monitoring and control for dynamic security in power systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 430000, Unit T4, Building B12, No. 88 Guanggu Sixth Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province Applicant after: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Applicant before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |